可解释的地理空间-人工智能模型用于估计PM2.5度变化在台湾的通勤高峰时段
Pei-Yi Wong1, Huey-Jen Su1, Shih-Chun Candice Lung2
1Department of Environmental and Occupational Health, National Cheng Kung University, Tainan, Taiwan.
Environmental pollution (Barking, Essex : 1987)
|April 14, 2024
概括
在高峰时段,颗粒物 (PM2.5) 水平会升高. 一个地理空间人工智能模型准确地预测了台湾上午和晚上通勤期间的PM2.5空间变化,确定了关键的污染预测因素.
科学领域:
- 环境科学 环境科学
- 大气化学 大气化学
- 地理空间分析的研究.
背景情况:
- 颗粒物 (PM2.5) 度通常在高峰时段增加.
- 在使用先进模型的通勤过程中对PM2.5空间分布的研究有限.
研究的目的:
- 为了估计在台湾的早晨和黄昏的高峰时段PM2.5的空间和时间变化.
- 开发和验证PM2.5.5的地理空间人工智能 (Geo-AI) 预测模型.
主要方法:
- 集成的战争插值,土地利用回归,机器学习和堆叠组合方法.
- 使用夏普利添加式扩展 (SHAP) 进行变量选择.
- 分析了2006-2020年每小时的PM2.5数据,汇总为早上 (7-9点) 和黄昏 (4-6点) 繁忙时间.
主要成果:
- 地理人工智能模型实现了高精度 (0.95在早上,0.93在黄昏).
- 在台湾西南部 (早晨) 和郊区 (黄昏) 观察到较高的PM2.5度.
- 关键预测因素包括PM2.5,SO2,森林密度和距离焚烧炉的距离.
结论:
- 地质人工智能模型为高峰时间提供了可靠的PM2.5估计.
- 这些发现可以为开发低暴露通勤路线提供信息.
- 了解高峰时间PM2.5动态对于公共卫生战略至关重要.
